在追求高產(chǎn)、優(yōu)質(zhì)和可持續(xù)農(nóng)業(yè)的今天，精準(zhǔn)農(nóng)業(yè)（Precision Agriculture, PA）扮演著至關(guān)重要的角色。它通過對(duì)作物進(jìn)行高分辨率的持續(xù)監(jiān)測，優(yōu)化管理實(shí)踐，從而提高生產(chǎn)力和生態(tài)效益。然而，要實(shí)現(xiàn)大規(guī)模的有效監(jiān)測，實(shí)踐中仍面臨巨大挑戰(zhàn)，其中，作物營養(yǎng)狀況的早期、準(zhǔn)確診斷是關(guān)鍵一環(huán)。以榛子為例，作為一種重要的經(jīng)濟(jì)作物，其健康生長離不開均衡的營養(yǎng)。傳統(tǒng)的營養(yǎng)缺乏診斷方法主要依賴農(nóng)學(xué)專家進(jìn)行葉片采樣和實(shí)驗(yàn)室礦物質(zhì)分析，這不僅耗時(shí)費(fèi)力，還需要專業(yè)技術(shù)人員，因此在榛子種植中常常被忽視。這種做法可能導(dǎo)致短期內(nèi)產(chǎn)量和品質(zhì)下降，長期則引發(fā)植株生長失衡，影響來年收成。葉片通常是植物營養(yǎng)脅迫的“晴雨表”，最早顯現(xiàn)出缺乏癥狀。因此，能否在田間早期、自動(dòng)地識(shí)別出這些視覺癥狀，成為了實(shí)現(xiàn)植物健康狀態(tài)實(shí)時(shí)監(jiān)測和精準(zhǔn)施肥的關(guān)鍵一步。

當(dāng)前，已有許多研究利用計(jì)算機(jī)視覺技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNNs），來識(shí)別各種作物的病害。然而，這些工作大多依賴于在受控實(shí)驗(yàn)室環(huán)境下收集的數(shù)據(jù)集，其背景單一、條件理想，與復(fù)雜多變的真實(shí)農(nóng)田環(huán)境相去甚遠(yuǎn)。更重要的是，此前的研究幾乎沒有專門針對(duì)榛子營養(yǎng)缺乏的自動(dòng)檢測，更未提出利用機(jī)器人平臺(tái)在田間進(jìn)行自主監(jiān)測的完整方案。

為了填補(bǔ)這些空白，一項(xiàng)發(fā)表在《Computers and Electronics in Agriculture》上的研究，提出了一種新穎的數(shù)據(jù)驅(qū)動(dòng)機(jī)器人框架。該研究旨在實(shí)現(xiàn)榛子園中四種關(guān)鍵營養(yǎng)元素（氮N、鈣Ca、鎂Mg、磷P）缺乏的自主早期識(shí)別，并區(qū)分健康葉片和患有非營養(yǎng)缺乏性病害（如白粉病、炭疽病等）的葉片。研究人員從真實(shí)的榛子園和受控實(shí)驗(yàn)室環(huán)境中收集了多個(gè)定制數(shù)據(jù)集，系統(tǒng)性地比較了五種先進(jìn)的深度學(xué)習(xí)模型（ResNet、DenseNet、MobileNet、EfficientNet和ConvNext）以及一個(gè)基于支持向量機(jī)（SVM）的基線模型的性能。為了解決田間數(shù)據(jù)收集困難、樣本量有限的問題，研究引入了多種數(shù)據(jù)增強(qiáng)技術(shù)，并廣泛評(píng)估了其有效性。最終，他們?cè)O(shè)計(jì)并驗(yàn)證了一個(gè)集成的機(jī)器人流程，使得搭載RGB-D傳感器的農(nóng)業(yè)機(jī)器人能夠在榛子園中自主檢測葉片并進(jìn)行營養(yǎng)缺乏的早期識(shí)別。

為開展這項(xiàng)研究，作者主要運(yùn)用了以下幾項(xiàng)關(guān)鍵技術(shù)方法：首先，構(gòu)建了涵蓋受控環(huán)境和真實(shí)世界場景的定制化榛子葉片圖像數(shù)據(jù)集，樣本來自意大利維泰博省的多處試驗(yàn)田和商業(yè)果園，主要針對(duì)Tonda Romana和Nocchione等本地品種。其次，采用了遷移學(xué)習(xí)策略，在ImageNet預(yù)訓(xùn)練模型基礎(chǔ)上，對(duì)五種CNN架構(gòu)（ResNet50, DenseNet169, MobileNetV3, EfficientNetV2, ConvNext）和一個(gè)SVM基線模型進(jìn)行微調(diào)和性能比較。第三，為了提升模型泛化能力，廣泛使用了包括幾何變換、顏色變換和圖像腐蝕在內(nèi)的數(shù)據(jù)增強(qiáng)技術(shù)。第四，設(shè)計(jì)了一個(gè)包含軌跡規(guī)劃、葉片檢測、單葉營養(yǎng)缺乏分類和機(jī)器人系統(tǒng)四大模塊的自主分類機(jī)器人流程，其中葉片檢測采用YOLOv8模型，分類任務(wù)則集成性能最佳的模型。最后，在實(shí)驗(yàn)室環(huán)境下，使用Turtlebot2移動(dòng)底座和Franka Research 3機(jī)械臂兩種平臺(tái)，結(jié)合半人工榛子植株，對(duì)集成的機(jī)器人流程進(jìn)行了初步驗(yàn)證。

研究人員在三個(gè)數(shù)據(jù)集上評(píng)估了模型性能：受控環(huán)境四分類數(shù)據(jù)集（D_CE⁴）、真實(shí)世界四分類數(shù)據(jù)集（D_RWE⁴）和更具挑戰(zhàn)性的真實(shí)世界六分類數(shù)據(jù)集（D_RWE⁶）。評(píng)價(jià)指標(biāo)包括平均準(zhǔn)確率、平均F1分?jǐn)?shù)和平均推理時(shí)間。

用于機(jī)器人流程中葉片檢測的YOLOv8n模型在訓(xùn)練中表現(xiàn)出良好的收斂性，其平均精度均值（mAP@0.5）、精確率和召回率最終均穩(wěn)定在0.85-0.9的高水平，表明該模型能夠有效、準(zhǔn)確地從復(fù)雜背景中檢測出葉片，為后續(xù)分類提供了可靠基礎(chǔ)。

初步的實(shí)驗(yàn)室驗(yàn)證表明，所提出的集成機(jī)器人流程是可行的。無論是Turtlebot2移動(dòng)機(jī)器人還是Franka Research 3機(jī)械臂，都能成功執(zhí)行預(yù)定的監(jiān)測軌跡，并在檢測到葉片后動(dòng)態(tài)調(diào)整路徑以接近目標(biāo)，隨后利用訓(xùn)練好的ConvNext模型對(duì)裁剪出的葉片區(qū)域進(jìn)行營養(yǎng)缺乏分類。整個(gè)系統(tǒng)在機(jī)器人操作系統(tǒng)（ROS）框架下穩(wěn)定運(yùn)行，證明了其在實(shí)際農(nóng)田中部署的潛力。

本研究成功開發(fā)并驗(yàn)證了一個(gè)用于榛子園營養(yǎng)缺乏早期識(shí)別的數(shù)據(jù)驅(qū)動(dòng)機(jī)器人框架。核心結(jié)論是，在多種先進(jìn)的深度學(xué)習(xí)模型中，ConvNext架構(gòu)在識(shí)別準(zhǔn)確性與計(jì)算效率之間取得了最佳平衡，是部署到機(jī)器人平臺(tái)進(jìn)行在線、實(shí)時(shí)監(jiān)測的理想選擇。同時(shí)，研究證實(shí)了數(shù)據(jù)增強(qiáng)對(duì)于提升模型在真實(shí)、復(fù)雜農(nóng)田環(huán)境下性能的關(guān)鍵作用。

這項(xiàng)工作的意義重大。首先，它首次將特定的營養(yǎng)缺乏識(shí)別問題與完整的自主機(jī)器人監(jiān)測流程相結(jié)合，為精準(zhǔn)農(nóng)業(yè)的自動(dòng)化閉環(huán)管理提供了新范例。其次，所構(gòu)建的公開數(shù)據(jù)集和驗(yàn)證的模型框架，不僅針對(duì)榛子，也可為其他作物的類似研究提供參考和基準(zhǔn)。最重要的是，該方法有望變革傳統(tǒng)的農(nóng)藝診斷模式，通過快速、可擴(kuò)展的視覺巡檢替代或輔助依賴專家和實(shí)驗(yàn)室的分析，實(shí)現(xiàn)對(duì)更大范圍作物的早期、精準(zhǔn)健康評(píng)估，從而幫助農(nóng)民及時(shí)干預(yù)，優(yōu)化施肥策略，最終達(dá)到提升產(chǎn)量、保障品質(zhì)和促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展的目的。盡管目前僅在實(shí)驗(yàn)室環(huán)境下進(jìn)行了初步驗(yàn)證，但該研究為未來在真實(shí)、復(fù)雜的榛子園中實(shí)現(xiàn)全自動(dòng)、智能化的營養(yǎng)監(jiān)測與管理系統(tǒng)奠定了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。